汪 翔

人工智能的幻觉：技术革命的泡影？

诺贝尔经济学奖得主罗伯特·索洛的“索洛悖论”曾犀利地指出：“你能在各处看到计算机时代的影子，唯独在生产率数据中看不到。”如今，这一悖论似乎在人工智能（AI）领域以另一种形式重现——AI的普及程度与实际经济成果之间存在着显著的落差。

无处不在的AI，尚未兑现的承诺

从铺天盖地的新闻报道到科技展会上的璀璨亮点，再到企业年报和政府战略的宏伟蓝图，人工智能似乎无处不在。生成式AI、自动驾驶、智能医疗、AI教师……一系列颠覆性技术描绘着人类即将迈入由算法主宰的新纪元。然而，当理性的经济观察家审视这些现象时，一个简单却尴尬的问题油然而生：这些技术究竟带来了哪些实质性的经济成果？

事实是，尽管AI的讨论热度居高不下，但它尚未转化为显著的经济效益。回顾上世纪中叶计算机产业的发展历程，计算机从20世纪50年代便开始带动营收增长，直至90年代才引发生产率的显著跃升。相比之下，AI目前连“营收增长”这一早期信号都尚未稳定显现。相反，许多大型科技公司仍在向AI领域投入巨资，烧钱的速度远超变现，多数商业模式仍停留在概念验证或早期应用阶段。

乐观的预言与残酷的现实

尽管投资回报尚不明朗，AI的布道者们依然雄心勃勃，甚至语出惊人。微软联合创始人比尔·盖茨曾在深夜脱口秀中大胆预言：“在未来10年内，AI将取代许多医生和教师，大多数事情都不再需要人类。”这番话并非戏言，体现了业界对AI未来变革的极高期待。

然而，这种乐观是否合理？我们不妨回顾一个曾经的AI明星项目——IBM的沃森。2013年，德州大学MD安德森癌症中心宣布将部署沃森，声称其将在治疗白血病方面大展身手。彼时，人们信心满满，以为这款曾在《危险边缘》（Jeopardy!）中击败人类选手的超级计算机即将“攻克癌症”。然而，几年后该项目却悄然中止，留下的只是难以量化的成果和成堆的质疑。

这种理想与现实的落差正在成为AI领域的通病。人们渴望AI带来奇迹般的改变，却往往忽视了技术从“可用”到“可大规模应用”之间的巨大鸿沟。算法精度、数据质量、伦理规范、监管环境、用户接受度……每一个环节都可能成为AI真正实现生产力跃升的阻碍。

漫长的爬坡期与未来的可能

这并非意味着AI毫无前途。与当年的计算机类似，AI可能也需要一个漫长的爬坡期，最终才会在某一临界点爆发出质变的力量。正如互联网的普及和移动技术的兴起，都经历了一个从概念到大规模应用的演变过程。但目前来看，AI更像是一场尚未兑现的承诺，是未来的可能，而非当下的现实。面对AI的“生产率悖论”，我们或许应当从一味追捧的泡沫中抽身，重新审视科技与社会的真实关系。在技术与人类之间，真正的融合和深度变革，或许还需要几十年的时间来沉淀和发展。

电脑悖论和AI悖论的差别

AI时代与早期计算机时代在生产率转化上存在显著差异，这种差异主要体现在以下几个方面：

1. “通用性”与“专用性”的权衡

• 早期计算机： 早期计算机更多是作为“工具”或“自动化设备”存在，尤其是在企业应用中，它们往往是针对特定任务或流程进行编程，例如会计核算、库存管理、数据处理等。虽然是通用计算机器，但在实际应用中，初期更侧重于特定任务的自动化和效率提升。这种“专用性”使得其经济效益更容易量化，因为可以直接看到特定任务处理速度的提升和人工成本的节约。

• AI： AI，特别是生成式AI，被视为一种“通用目的技术”（General Purpose Technology, GPT），它不仅可以执行特定任务，更能赋能人类，甚至在某种程度上替代人类进行创造性、认知性工作。然而，其通用性也带来挑战：

• 难以量化： AI的效益往往是间接的、扩散性的，例如提升决策质量、加速创新、改善客户体验等，这些难以直接转化为生产率数据。

• “最后一公里”的整合： AI的价值并非仅仅在于算法本身，而在于它如何被有效集成到现有的工作流程和商业模式中。这需要企业进行组织架构调整、员工技能再培训、数据基础设施升级等一系列系统性变革，这些“调整成本”在短期内可能会抵消AI带来的部分效益。

• 模糊的责任： AI的“自主”能力模糊了人类与机器的界限，尤其是在医疗、法律等高风险领域，谁来为AI的决策负责，以及如何建立信任，都是复杂的伦理和法律问题，阻碍了其大规模应用。

2. 数据依赖与数据质量

• 早期计算机： 早期计算机对数据的需求相对简单，主要是结构化数据和清晰的输入输出逻辑。数据质量问题虽然存在，但通常更容易通过标准化和人工校对来解决。

• AI： AI是“数据驱动”的。它需要海量、高质量、多样化的数据进行训练和优化。数据质量、偏差、隐私和安全成为AI应用面临的巨大挑战：

• “垃圾进，垃圾出”： 低质量或带有偏见的数据会导致AI系统输出不准确或带有歧视性的结果，这不仅影响效率，更可能带来伦理和法律风险。

• 数据孤岛与隐私： 许多企业的数据分散在不同的部门和系统中，难以有效整合。同时，数据隐私法规（如GDPR）的日益严格，也限制了AI训练数据的获取和使用，尤其是在敏感领域。

• 数据标注与维护成本： 训练高质量的AI模型需要大量人工进行数据标注和持续的维护，这本身就是一笔巨大的投入，且往往是隐性的。

3. 监管环境与伦理考量

• 早期计算机： 早期计算机的发展相对缺乏明确的监管框架，法律和伦理问题更多是在技术普及后逐步显现并被解决。

• AI： AI的发展伴随着高度的社会关注和伦理担忧。隐私侵犯、算法歧视、就业冲击、深度伪造等问题，使得各国政府从技术发展初期就开始积极探索和制定相关法律法规。

• “创新悖论”： 严格的监管虽然有助于规避风险，但可能会限制AI的创新和应用速度，形成“创新悖论”。例如，欧盟的《AI法案》虽然旨在保护用户权益，但也可能给AI企业带来额外的合规成本和开发限制。

• 伦理困境： AI在医疗诊断、司法判决、军事应用等领域的介入，引发了对公平性、透明度和责任的深层伦理讨论，这些讨论本身就需要时间来达成共识，并转化为实际行动。

4. 投资与回报周期

• 早期计算机： 早期计算机的投资主要集中在硬件采购和软件开发，回报路径相对清晰，例如通过自动化节约人力成本、提高处理速度等。

• AI： AI的投资链条更长，且风险更高。除了硬件和软件，还需要投入大量资金进行研发（特别是基础模型）、数据收集与处理、人才培养、以及跨部门的组织变革。如文章所述，许多大型科技公司仍在“烧钱”，商业模式仍在探索中，短期内难以看到大规模的变现能力和显著的生产率提升。投资的滞后效应和“幻觉”更容易产生。

5. 普及速度与用户接受度

• 早期计算机： 个人计算机的普及相对缓慢，需要经历硬件成本下降、软件生态建立和用户习惯培养等过程。

• AI： 尽管AI的实际生产力转化仍有待观察，但生成式AI的普及速度是史无前例的。ChatGPT等工具在短短几个月内就达到了数亿用户，比互联网和个人电脑的普及速度快得多。这种快速普及带来了高预期，但如果实际效益未能跟上，反而可能加剧“索洛悖论”带来的失望情绪。同时，AI的“智能”属性也可能引发用户的“抵触”或“不信任”，尤其是在替代人类工作或决策的领域。

总结：AI时代与计算机时代最大的差异在于，AI不仅仅是简单的工具，它触及了人类的核心认知能力和决策过程，从而引发了更深层次的社会、伦理和经济结构性变化。这种变化需要更长的适应和整合周期，同时也面临着前所未有的数据挑战、复杂的监管环境和伦理困境。因此，AI带来的“生产率悖论”可能比计算机时代更为复杂和持久，因为它不仅仅是技术应用的效率问题，更是技术与人类社会深度融合的范式转变问题。

对股市投资意味着什么？

对于股市投资者而言，人工智能的“生产率悖论”带来了复杂且需要深思熟虑的局面。它意味着：

1. 高预期与高风险并存： AI概念的巨大热度导致市场对相关公司赋予了极高的预期和估值。投资者普遍相信AI将带来颠覆性变革，因此愿意为未来的增长潜力支付高昂溢价。然而，当实际的营收增长和生产率提升未能及时兑现时，这些高估值就面临巨大的回调风险。

• 泡沫风险： 市场可能出现“AI泡沫”，即估值脱离基本面支撑，主要由投机情绪和未来预期驱动。一旦预期落空或出现负面消息，泡沫破裂可能导致股价大幅下跌。

• “索洛悖论”的股市体现： 索洛悖论的经济学含义是生产率数据滞后于技术普及。在股市中，这可能表现为：即便AI技术被广泛采用，但如果公司利润和经济效益没有同步增长，那么投资者可能会遭遇“技术很酷，但不赚钱”的困境。

2. “赢家通吃”效应可能加剧： 在AI这个高投入、高风险的领域，只有少数拥有顶尖技术、海量数据、雄厚资金和强大生态系统的公司才能最终脱颖而出。这意味着“赢家通吃”的格局可能会更加明显。投资者需要警惕那些缺乏核心竞争力、烧钱速度快但变现能力弱的“蹭热点”公司。

3. 长期投资的挑战： AI的效益释放需要漫长的爬坡期和大量的系统性整合。这意味着短期内很难看到显著的投资回报。对于追求短期收益的投资者来说，AI板块可能会充满波动和不确定性。即便是长期投资者，也需要有足够的耐心和风险承受能力，才能熬过这个“幻觉期”。

4. 行业分化加剧： AI的影响不会是普惠的。一些行业可能率先受益，例如软件、互联网服务、半导体等；而另一些行业可能面临被颠覆的风险，或者受益较晚。投资者需要仔细研究AI对不同行业和公司的具体影响，而非盲目地投资整个AI概念股。

5. 关注“变现能力”和“护城河”： 在AI热潮中，投资者需要更关注公司的实际商业模式和变现能力，而非仅仅是技术噱头。拥有清晰的盈利路径、强大的技术壁垒、独特的数据资源以及卓越的执行力的公司，才更有可能在长期竞争中胜出。

我们应该如何应对？

面对这种状况，投资者可以采取以下策略：

1. 保持理性，警惕非理性繁荣：

• 避免盲目追高： 不要被短期股价暴涨所迷惑，尤其是在缺乏基本面支撑的情况下。

• 独立思考，拒绝羊群效应： 市场情绪容易传染，但投资决策需要基于理性的分析。

• 参考历史经验： 历史上的科技泡沫（如互联网泡沫）提供了宝贵的教训，即技术创新到实际经济效益转化之间存在滞后。

2. 深入研究，而非仅仅追逐概念：

• 分析公司基本面： 仔细研究公司的财务报表、营收增长、利润率、现金流等关键指标。

• 评估AI技术与商业模式的结合度： 了解公司如何将AI技术融入其核心业务，以及这种结合是否能带来可持续的竞争优势和可量化的经济效益。

• 关注护城河： 寻找那些拥有独特数据、领先算法、强大的生态系统或难以复制的客户关系的AI公司。

3. 分散投资，降低风险：

• 不要将所有鸡蛋放在一个篮子里： 即使看好AI，也不要将全部资金集中投入AI相关股票。

• 多元化配置： 将投资组合分散到不同行业、不同市值和不同风险偏好的资产中，以平衡风险。

4. 关注“卖铲人”和“基础设施”提供商：

• 半导体公司： AI的发展离不开高性能芯片，因此那些提供AI芯片（如GPU、NPU）的公司，如英伟达（NVIDIA）、AMD，可能会是AI热潮中较为确定的受益者。

• 云计算服务商： 大部分AI模型训练和部署都依赖云计算平台，因此亚马逊（AWS）、微软（Azure）、谷歌（Google Cloud）等云计算巨头也可能间接受益。

• 数据服务商： 那些提供高质量数据、数据标注服务或数据管理工具的公司，也可能在AI生态中扮演重要角色。

5. 长期视角与耐心：

• 认识到AI的长期性： 真正的生产力变革需要时间。投资者需要有足够的耐心，等待AI技术成熟并深度融入经济体系。

• 定期审视投资组合： 即使是长期投资，也需要定期审查持仓公司的基本面和行业发展趋势，适时调整策略。

6. 关注新兴应用和潜在的“临界点”：

• 留意AI在特定领域的突破： 关注AI在医疗、教育、能源等传统行业的实际应用进展，这些领域的落地可能更快带来可观的经济效益。

• 警惕颠覆性风险： AI的出现可能颠覆一些传统行业和商业模式。投资者需要对这些潜在的颠覆保持警惕，并思考如何调整自己的投资组合以适应这种变化。

总之，AI无疑是未来的重要趋势，但其经济效益的兑现需要时间。对于股市投资者来说，这意味着在拥抱AI带来的机遇时，更要保持清醒和理性，着眼于公司的实际价值和长期的发展潜力，而非被短期的市场情绪所左右。